(七)pandas知識學習2-python數(shù)據(jù)分析與機器學習實戰(zhàn)(學習筆記)

文章原創(chuàng),最近更新：2018-05-3

1.數(shù)據(jù)排序
2.泰坦尼克案例

課程來源: python數(shù)據(jù)分析與機器學習實戰(zhàn)-唐宇迪

為了方便大家學習,將練習所涉及的練習food_info.csv/titanic_train.csv文件以百度網(wǎng)盤共享的方式分享出來,
鏈接: https://pan.baidu.com/s/1HkYAj-T7Bj8mCx5N_GJUpQ 密碼: 4ayh

1.數(shù)據(jù)排序

用.sort_values(columns)默認對某一列進行從小到大的排序,對數(shù)據(jù)進行排序，用到了sort_values，by參數(shù)可以指定根據(jù)哪一列數(shù)據(jù)進行排序。ascending是設置升序和降序。False就是降序,True就是升序.
sort_values其它參數(shù)：axis=0或者1 縱向排序還是橫向； na_position='last' 將空值排在最后。kind和inplace是排序的具體方式，一般數(shù)據(jù)用不到。

具體案例如下,抽取Sodium_(mg),進行從小到大的排序.

import pandas

food_info=pandas.read_csv("food_info.csv")

food_info.sort_values("Sodium_(mg)",inplace=True)

food_info["Sodium_(mg)"]
Out[4]: 
2        2
14     308
12     344
11     364
13     372
15     406
4      560
10     604
5      629
0      643
8      644
1      659
7      690
9      700
6      842
3     1146
Name: Sodium_(mg), dtype: int64

如果將抽取Sodium_(mg),進行從大到小的排序.又如何呢?
ascending默認是True,是從小到大的排序,需要設置成False,會變成從大到小的排序.

food_info.sort_values("Sodium_(mg)",inplace=True,ascending=False)

food_info["Sodium_(mg)"]
Out[6]: 
3     1146
6      842
9      700
7      690
1      659
8      644
0      643
5      629
10     604
4      560
15     406
13     372
11     364
12     344
14     308
2        2
Name: Sodium_(mg), dtype: int64

2.泰坦尼克案例

泰坦尼克案例,是比較數(shù)據(jù)分析以及機器學習比較經(jīng)典的入門案例,

  • PassengerId的意思是對泰坦尼克號的每一個都進行了編號,總共有899個人
  • Survived是指獲救的人數(shù).
  • Pclass船的等級,有分一等艙,二等艙,三等艙.1代表一等艙,2代表二等艙,3代表三等艙.
  • Name當前游客的姓名
  • Sex當前游客的性別
  • Age當前游客的年齡
  • SibSp當前游客的兄弟姐妹數(shù)量,如果數(shù)值是1,則代表當前的兄弟姐妹的數(shù)量是1.
  • Parch當前游客家里的老人總數(shù)
  • Ticket當前船票的編碼,這個具體對實際理解不是影響很大.
  • Fare當前游客乘船的船票價格.跟船艙等級有掛鉤的.
  • Cabin船艙的編號,NAN是個缺失值.如果缺失值很多的情況下,大半情況下是不會用到這些數(shù)據(jù).
  • Embarked指的是當前游客登船的碼頭地點,是S登入口,還是C登入口,還是Q登入口

2.1缺失值的處理


import pandas as pd

titanic_survival=pd.read_csv("titanic_train.csv")

titanic_survival.head()
Out[9]: 
   PassengerId  Survived  Pclass  \
0            1         0       3   
1            2         1       1   
2            3         1       3   
3            4         1       1   
4            5         0       3   

                                                Name     Sex   Age  SibSp  \
0                            Braund, Mr. Owen Harris    male  22.0      1   
1  Cumings, Mrs. John Bradley (Florence Briggs Th...  female  38.0      1   
2                             Heikkinen, Miss. Laina  female  26.0      0   
3       Futrelle, Mrs. Jacques Heath (Lily May Peel)  female  35.0      1   
4                           Allen, Mr. William Henry    male  35.0      0   

   Parch            Ticket     Fare Cabin Embarked  
0      0         A/5 21171   7.2500   NaN        S  
1      0          PC 17599  71.2833   C85        C  
2      0  STON/O2. 3101282   7.9250   NaN        S  
3      0            113803  53.1000  C123        S  
4      0            373450   8.0500   NaN        S

先觀察年齡這一列,先將年齡這一列打印出來,

titanic_survival["Age"]
Out[11]: 
0      22.0
1      38.0
2      26.0
3      35.0
4      35.0
...
881    33.0
882    22.0
883    28.0
884    25.0
885    39.0
886    27.0
887    19.0
888     NaN
889    26.0
890    32.0
Name: Age, Length: 891, dtype: float64

查看前10名的年齡,看一下年齡有什么有規(guī)律變化?
有個人24歲,還有2個比較小,年齡在2歲以及4歲.中間索引號為5的的是個NAN值,出現(xiàn)了缺失值,需要對缺失值進行處理.

titanic_survival["Age"].loc[0:10]
Out[12]: 
0     22.0
1     38.0
2     26.0
3     35.0
4     35.0
5      NaN
6     54.0
7      2.0
8     27.0
9     14.0
10     4.0
Name: Age, dtype: float64

接下來對缺失值進行處理,首先要判斷是否為缺失值?

拓展,以下是NA的處理方法"


python pandas判斷缺失值一般采用 isnull()，然而生成的卻是所有數(shù)據(jù)的true／false矩陣.
如果顯示false則不是缺失值,如果是true則是缺失值.,查看titanic_train.csv這個文件可知,索引為5的年齡在文件是空的,所以跟結(jié)果是一致的.

age_isnull=pd.isnull(age)

age_isnull
Out[16]: 
0      False
1      False
2      False
3      False
4      False
5       True
6      False

882    False
883    False
884    False
885    False
886    False
887    False
888     True
889    False
890    False
Name: Age, Length: 891, dtype: bool

獲得的true／false的缺失值有什么作用呢?可以將true／false當成一個索引,可以將age_isnull傳入到age,對ture的值會留下來,接下來打印的值會是怎么樣的呢?我們看以下的結(jié)果:

age_null_true=age[age_isnull]

age_null_true
Out[18]: 
5     NaN
17    NaN
19    NaN
26    NaN
28    NaN
29    NaN
31    NaN
       ..

846   NaN
849   NaN
859   NaN
863   NaN
868   NaN
878   NaN
888   NaN
Name: Age, Length: 177, dtype: float64

那缺失值一共有多少個呢?
缺失值177個是

age_null_count=len(age_null_true)

age_null_count
Out[20]: 177

如果操作的時候,不對缺失值進行處理,會產(chǎn)生什么樣的結(jié)果呢?
首先我們來算一下平均年齡.平均年齡是由總的年齡除以總的人數(shù),具體如下:

mean_age=sum(titanic_survival["Age"])/len(titanic_survival["Age"])

mean_age
Out[22]: nan

只要數(shù)據(jù)出現(xiàn)缺失值,數(shù)據(jù)就無法進行計算,需要用缺失值填充的手段,對數(shù)據(jù)進行計算.
其中的一種方法是,只對無缺失值的數(shù)據(jù)進行計算,有缺失值的去掉.

good_ages=titanic_survival["Age"][age_isnull==False]

good_ages
Out[24]: 
0      22.0
1      38.0
2      26.0
3      35.0
4      35.0
6      54.0
7       2.0

881    33.0
882    22.0
883    28.0
884    25.0
885    39.0
886    27.0
887    19.0
889    26.0
890    32.0
Name: Age, Length: 714, dtype: float64

collect_mean_age=sum(good_ages)/len(good_ages)

collect_mean_age
Out[26]: 29.69911764705882

無缺失值是可以將結(jié)果計算出來的,如果有帶缺失值,計算結(jié)果是無法計算出來的.

有沒有一個函數(shù),可以直接計算年齡的平均值,而不是需要傳統(tǒng)的方法用總的年齡除以總的人數(shù)進行計算的呢?
可以用.mean()函數(shù)的方法可以直接計算.

collect_mean_age=titanic_survival["Age"].mean()

collect_mean_age
Out[29]: 29.69911764705882

其實直接將有缺失的值直接去掉的計算方法不是很好.一般缺失值采用的是平均值對缺失值進行填充,或者眾數(shù)進行填充,這些都是比較常見的一個措施.

我們可以將缺失值補起來,使其成為一個完整的樣本.

2.2pivot_table函數(shù)

船艙有1-3等級的船艙,求每個等級的船艙的平均價格?
先判斷哪些人做的是一等艙的這些數(shù)據(jù)拿到手,然后用數(shù)據(jù)定位到船票價格的那一列,對當前的列求一個均值,求出平均的價格是多少.然后把一等艙的等級以及平均價格以字典的形式進行傳入.然后再進行,二等艙,三等艙的價格傳入.

passenger_classes=[1,2,3]
fares_by_class={}
for this_class in passenger_classes:
    pclass_rows=titanic_survival[titanic_survival["Pclass"]==this_class]
    pclass_fares=pclass_rows["Fare"]
    fare_for_class=pclass_fares.mean()
    fares_by_class[this_class]=fare_for_class
    

fares_by_class
Out[42]: {1: 84.15468749999992, 2: 20.66218315217391, 3: 13.675550101832997}

以上需求挺簡單的,但是寫的代碼有點太過于麻煩,那有沒有簡單的操作可以快速的做一些數(shù)據(jù)統(tǒng)計的呢?

也許大多數(shù)人都有在Excel中使用數(shù)據(jù)透視表的經(jīng)歷，其實Pandas也提供了一個類似的功能，名為pivot_table。雖然pivot_table非常有用，但是我發(fā)現(xiàn)為了格式化輸出我所需要的內(nèi)容，經(jīng)常需要記住它的使用語法。

用pivot_table函數(shù)就可以,關(guān)于具體定義如下:
DataFrame.pivot_table(data, values=None, index=None, columns=None, aggfunc=’mean’, fill_value=None, margins=False, dropna=True, margins_name=’All’)

  • data: DataFrame對象
  • values: 顯示的列的名字，可以應用aggfunc中的函數(shù)
  • index: 索引
  • columns: 可選的， 通過額外的方法來分割你所關(guān)心的實際值，然而aggfunc被應用到values上, aggfunc默認的是mean

具體案例,獲取1-3等艙分別獲救的人數(shù)?

指定了3個參數(shù),index這個是指以誰為基準的,values指的是與Pclass之間相對應的關(guān)系,aggfunc就是計算index和values之間的關(guān)系,比如案列是平均數(shù)的關(guān)系.

passenger_survival = titanic_survival.pivot_table(index="Pclass", values="Survived", aggfunc=np.mean)

passenger_survival
Out[47]: 
        Survived
Pclass          
1       0.629630
2       0.472826
3       0.242363

具體案例,獲取1-3等艙分別獲救的平均年齡?
aggfunc默認情況下是求平均值.

passenger_age = titanic_survival.pivot_table(index="Pclass", values="Age")

passenger_age
Out[49]: 
              Age
Pclass           
1       38.233441
2       29.877630
3       25.140620

2.3driopna函數(shù)

想知道一個量與兩個量之間的關(guān)系,應該怎么辦?

具體案例,C/Q/S登船碼頭與總船票價格以及總救活的人數(shù)之間相對應的關(guān)系?

passenger_age = titanic_survival.pivot_table(index="Embarked", values=["Fare","Survived"],aggfunc=np.sum)

passenger_age
Out[52]: 
                Fare  Survived
Embarked                      
C         10072.2962        93
Q          1022.2543        30
S         17439.3988       217

拓展:


  • dropna() 丟棄缺失值

    • df.dropna()
      df.dropna(axis=1)
      默認axi=0，how=‘a(chǎn)ny’，按行，任意一行有NaN就整列丟棄

    • df.driopna(how='all')
      一行中全部為NaN的，才丟棄

    • df.dropna(thresh=3)
      保留至少3個非空值的行：一行中有3個值是非空的就保留

Age這列有缺失值,想把這些缺失值直接丟掉,可不可以?也是可以的,可以用dropna函數(shù).

具體案例:將"Age","Sex"有出現(xiàn)缺失值的那一行,就將那一行丟掉.

new_titanic_survival=titanic_survival.dropna(axis=0,subset=["Age","Sex"])

new_titanic_survival
Out[54]: 
     PassengerId  Survived  Pclass  \
0              1         0       3   
1              2         1       1   
2              3         1       3   
3              4         1       1   
4              5         0       3   
..           ...       ...     ...   
885          886         0       3   
886          887         0       2   
887          888         1       1   
889          890         1       1   
890          891         0       3   

                                                  Name     Sex   Age  SibSp  \
0                              Braund, Mr. Owen Harris    male  22.0      1   
1    Cumings, Mrs. John Bradley (Florence Briggs Th...  female  38.0      1   
2                               Heikkinen, Miss. Laina  female  26.0      0   
3         Futrelle, Mrs. Jacques Heath (Lily May Peel)  female  35.0      1   
4                             Allen, Mr. William Henry    male  35.0      0   
..                                                 ...     ...   ...    ...   

885               Rice, Mrs. William (Margaret Norton)  female  39.0      0   
886                              Montvila, Rev. Juozas    male  27.0      0   
887                       Graham, Miss. Margaret Edith  female  19.0      0   
889                              Behr, Mr. Karl Howell    male  26.0      0   
890                                Dooley, Mr. Patrick    male  32.0      0   

     Parch            Ticket      Fare        Cabin Embarked  
0        0         A/5 21171    7.2500          NaN        S  
1        0          PC 17599   71.2833          C85        C  
2        0  STON/O2. 3101282    7.9250          NaN        S  
3        0            113803   53.1000         C123        S  
4        0            373450    8.0500          NaN        S  

..     ...               ...       ...          ...      ...  

885      5            382652   29.1250          NaN        Q  
886      0            211536   13.0000          NaN        S  
887      0            112053   30.0000          B42        S  
889      0            111369   30.0000         C148        C  
890      0            370376    7.7500          NaN        Q  

[714 rows x 12 columns]

2.4loc函數(shù)

想定位到具體的值,而不是一個樣本,應該怎么辦?
一個具體的值包含行號和列號,比如說定位到第84個樣本中的"age"值是多少呢?

可以用.loc(a,b)函數(shù),a是索引好,b是列名,就可以獲取某個具體的值.

row_index_83_age=titanic_survival.loc[83,"Age"]

row_index_83_age
Out[56]: 28.0

其他類似的小練習:

row_index_1000_pclass=titanic_survival.loc[766,"Pclass"]

2.5sort_values函數(shù)

sort_values函數(shù)主要包含6個參數(shù)：

  • columns=》要進行排序的列名稱；
  • ascending=》排序的方式true為升序，F(xiàn)alse為降序，默認為true；
  • axis=》排序的軸，0表示index，1表示columns，當對數(shù)據(jù)列進行排序時，axis必須設置為0；
  • inplace=》默認為False，表示對數(shù)據(jù) 表進行排序，不創(chuàng)建新實例；
  • Kind=》可選擇排序的方式，如快速排序等；
  • na_position=》對NaN值的處理方式，可以選擇first和last兩種方式，默認為last，也就是將NaN值放在排序的結(jié)尾。

如何對年齡進行降序排列?
用sort_values函數(shù)可以實現(xiàn).

new_titanic_survival=titanic_survival.sort_values("Age",ascending=False)

new_titanic_survival
Out[61]: 
     PassengerId  Survived  Pclass  \
630          631         1       1   
851          852         0       3   
493          494         0       1   
96            97         0       1   
116          117         0       3   
..           ...       ...     ...   
859          860         0       3   
863          864         0       3   
868          869         0       3   
878          879         0       3   
888          889         0       3   

                                                 Name     Sex   Age  SibSp  \
630              Barkworth, Mr. Algernon Henry Wilson    male  80.0      0   
851                               Svensson, Mr. Johan    male  74.0      0   
493                           Artagaveytia, Mr. Ramon    male  71.0      0   
96                          Goldschmidt, Mr. George B    male  71.0      0   
116                              Connors, Mr. Patrick    male  70.5      0   
..                                                ...     ...   ...    ...   

859                                  Razi, Mr. Raihed    male   NaN      0   
863                 Sage, Miss. Dorothy Edith "Dolly"  female   NaN      8   
868                       van Melkebeke, Mr. Philemon    male   NaN      0   
878                                Laleff, Mr. Kristo    male   NaN      0   
888          Johnston, Miss. Catherine Helen "Carrie"  female   NaN      1   

     Parch       Ticket      Fare        Cabin Embarked  
630      0        27042   30.0000          A23        S  
851      0       347060    7.7750          NaN        S  
493      0     PC 17609   49.5042          NaN        C  
96       0     PC 17754   34.6542           A5        C  
116      0       370369    7.7500          NaN        Q  

..     ...          ...       ...          ...      ...  

859      0         2629    7.2292          NaN        C  
863      2     CA. 2343   69.5500          NaN        S  
868      0       345777    9.5000          NaN        S  
878      0       349217    7.8958          NaN        S  
888      2   W./C. 6607   23.4500          NaN        S  

[891 rows x 12 columns]

通過以上結(jié)果,我們可以看出,新的index是按之前的原始的index進行排序的.

2.6reset_index()函數(shù)

拓展:
reset_index可以還原索引，從新變?yōu)槟J的整型索引
DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=”)
level控制了具體要還原的那個等級的索引
drop為False則索引列會被還原為普通列，否則會丟失

重新排序之后是否可以用新的index進行排序呢?并打印前10行的數(shù)據(jù).
可以的,用reset_index()函數(shù)

titanic_reindexed=new_titanic_survival.reset_index(drop=False)

titanic_reindexed.loc[0:10]
Out[64]: 
    index  PassengerId  Survived  Pclass  \
0     630          631         1       1   
1     851          852         0       3   
2     493          494         0       1   
3      96           97         0       1   
4     116          117         0       3   
5     672          673         0       2   
6     745          746         0       1   
7      33           34         0       2   
8      54           55         0       1   
9     280          281         0       3   
10    456          457         0       1   

                                    Name   Sex   Age  SibSp  Parch  \
0   Barkworth, Mr. Algernon Henry Wilson  male  80.0      0      0   
1                    Svensson, Mr. Johan  male  74.0      0      0   
2                Artagaveytia, Mr. Ramon  male  71.0      0      0   
3              Goldschmidt, Mr. George B  male  71.0      0      0   
4                   Connors, Mr. Patrick  male  70.5      0      0   
5            Mitchell, Mr. Henry Michael  male  70.0      0      0   
6           Crosby, Capt. Edward Gifford  male  70.0      1      1   
7                  Wheadon, Mr. Edward H  male  66.0      0      0   
8         Ostby, Mr. Engelhart Cornelius  male  65.0      0      1   
9                       Duane, Mr. Frank  male  65.0      0      0   
10             Millet, Mr. Francis Davis  male  65.0      0      0   

        Ticket     Fare Cabin Embarked  
0        27042  30.0000   A23        S  
1       347060   7.7750   NaN        S  
2     PC 17609  49.5042   NaN        C  
3     PC 17754  34.6542    A5        C  
4       370369   7.7500   NaN        Q  
5   C.A. 24580  10.5000   NaN        S  
6    WE/P 5735  71.0000   B22        S  
7   C.A. 24579  10.5000   NaN        S  
8       113509  61.9792   B30        C  
9       336439   7.7500   NaN        Q  
10       13509  26.5500   E38        S

2.7apply函數(shù)

apply 是 pandas 庫的一個很重要的函數(shù)，多和 groupby 函數(shù)一起用，也可以直接用于 DataFrame 和 Series 對象。主要用于數(shù)據(jù)聚合運算，可以很方便的對分組進行現(xiàn)有的運算和自定義的運算。


pandas提供了很多豐富的函數(shù),但是涉及到具體操作的時候,函數(shù)暫時滿足不了,怎么執(zhí)行這個東西?
解決的方法可以是通過寫代碼的方法慢慢拼接起來,也可以用apply函數(shù)進行自定義.

apply傳進來是另外一個函數(shù)的名字.用法是先把一系列的操作寫成函數(shù)的形式,然后再用apply傳進這個函數(shù),然后就可以在dataframe當中執(zhí)行這個操作啦.

實例:我們定義了一個函數(shù)來返回第100行數(shù)據(jù),就是想把這100行的數(shù)據(jù)返回出來.然后用apply這個定義函數(shù),就可以將這100行的數(shù)據(jù)返出來.

def hundredth_row(column):
    hundredth__item=column.loc[99]
    return hundredth__item


hundredth_row=titanic_survival.apply(hundredth_row)

hundredth_row
Out[67]: 
PassengerId                  100
Survived                       0
Pclass                         2
Name           Kantor, Mr. Sinai
Sex                         male
Age                           34
SibSp                          1
Parch                          0
Ticket                    244367
Fare                          26
Cabin                        NaN
Embarked                       S
dtype: object

統(tǒng)計每一列的缺失值個數(shù)是多少?

具體用法如下:

def not_null_count(column):
    column_null=pd.isnull(column)
    null=column[column_null]
    return len(null)


column_null_count=titanic_survival.apply(not_null_count)

column_null_count
Out[70]: 
PassengerId      0
Survived         0
Pclass           0
Name             0
Sex              0
Age            177
SibSp            0
Parch            0
Ticket           0
Fare             0
Cabin          687
Embarked         2
dtype: int64

將船艙中的1-3等級,如何分別轉(zhuǎn)化為"First Class"/"Second Class"/"Three Class""?
具體用法如下:

def which_class(row):
    pclass = row['Pclass']
    if pd.isnull(pclass):
        return "Unknown"
    elif pclass == 1:
        return "First Class"
    elif pclass == 2:
        return "Second Class"
    elif pclass == 3:
        return "Third Class"

classes = titanic_survival.apply(which_class, axis=1)


classes
Out[72]: 
0       Third Class
1       First Class
2       Third Class
3       First Class
4       Third Class
    
886    Second Class
887     First Class
888     Third Class
889     First Class
890     Third Class
Length: 891, dtype: object

如何設置不同年齡的劃分,比如小于18,為minor(未成年)/大于18為adult(成年)

def generate_age_label(row):
    age = row["Age"]
    if pd.isnull(age):
        return "unknown"
    elif age < 18:
        return "minor"
    else:
        return "adult"
    

age_labels = titanic_survival.apply(generate_age_label, axis=1)

age_labels
Out[78]: 
0        adult
1        adult
2        adult
3        adult
4        adult
  
885      adult
886      adult
887      adult
888    unknown
889      adult
890      adult
Length: 891, dtype: object

2.8pivot_table函數(shù)的綜合運用

獲救人數(shù)與成年還是未成年的相互關(guān)系?

首先將之前的操作age_labels的數(shù)據(jù)拿過來新增加一列,然后把pivot_table函數(shù)把這個離散值進行一個處理.

titanic_survival['age_labels'] = age_labels
age_group_survival = titanic_survival.pivot_table(index="age_labels", values="Survived")


age_group_survival
Out[80]: 
            Survived
age_labels          
adult       0.381032
minor       0.539823
unknown     0.293785

計算的結(jié)果是adult/minor /unknown獲救的一個平均值的結(jié)果是多少.

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務。
  • 人面猴
    序言：七十年代末，一起剝皮案震驚了整個濱河市，隨后出現(xiàn)的幾起案子，更是在濱河造成了極大的恐慌，老刑警劉巖，帶你破解...
    沈念sama閱讀 228,702評論 6贊 534
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場離奇詭異，居然都是意外死亡，警方通過查閱死者的電腦和手機，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 98,615評論 3贊 419
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進店門，熙熙樓的掌柜王于貴愁眉苦臉地迎上來，“玉大人，你說我怎么就攤上這事?！?“怎么了？”我有些...
    開封第一講書人閱讀 176,606評論 0贊 376
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵，是天一觀的道長。 經(jīng)常有香客問我，道長，這世上最難降的妖魔是什么？ 我笑而不...
    開封第一講書人閱讀 63,044評論 1贊 314
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任，我火速辦了婚禮，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘。我一直安慰自己，他們只是感情好，可當我...
    茶點故事閱讀 71,826評論 6贊 410
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布。 她就那樣靜靜地躺著，像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上，一...
    開封第一講書人閱讀 55,227評論 1贊 324
  • 城市分裂傳說
    那天，我揣著相機與錄音，去河邊找鬼。 笑死，一個胖子當著我的面吹牛，可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播，決...
    沈念sama閱讀 43,307評論 3贊 442
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼，長吁一口氣：“原來是場噩夢啊……” “哼！你這毒婦竟也來了？” 一聲冷哼從身側(cè)響起，我...
    開封第一講書人閱讀 42,447評論 0贊 289
  • 萬榮殺人案實錄
    序言：老撾萬榮一對情侶失蹤，失蹤者是張志新（化名）和其女友劉穎，沒想到半個月后，有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體，經(jīng)...
    沈念sama閱讀 48,992評論 1贊 335
  • ?護林員之死
    正文 獨居荒郊野嶺守林人離奇死亡，尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 40,807評論 3贊 355
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年，在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,001評論 1贊 370
  • 活死人
    序言：一個原本活蹦亂跳的男人離奇死亡，死狀恐怖，靈堂內(nèi)的尸體忽然破棺而出，到底是詐尸還是另有隱情，我是刑警寧澤，帶...
    沈念sama閱讀 38,550評論 5贊 361
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布，位于F島的核電站，受9級特大地震影響，放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜，卻給世界環(huán)境...
    茶點故事閱讀 44,243評論 3贊 347
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧，春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,667評論 0贊 26
  • 一樁弒父案，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至，卻和暖如春，著一層夾襖步出監(jiān)牢的瞬間，已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,930評論 1贊 287
  • 情欲美人皮
    我被黑心中介騙來泰國打工， 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留，地道東北人。 一個月前我還...
    沈念sama閱讀 51,709評論 3贊 393
  • 代替公主和親
    正文 我出身青樓，卻偏偏與公主長得像，于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子，可洞房花燭夜當晚...
    茶點故事閱讀 47,996評論 2贊 374